基于对象直方图G统计量的遥感影像道路提取

提出了一种基于对象直方图G统计量的遥感影像道路提取方法。首先基于标记分水岭算法分割高分辨率遥感影像获取对象像斑,提取对象光谱特征并利用SVM从影像中分离出光谱相似的建成区（道路、建筑物等）;然后从建成区选择合适的对象作为训练样本,采用G统计量度量测试样本与训练样本的LBP纹理直方图距离,以表达对象纹理特征的异质性,并利用最小距离分类器完成建成区内道路与建筑物等的分离;最后结合几何形状特征和数学形态学处理对提取的道路进行优化,获得最终的道路提取结果。试验结果表明：该方法能较好地提取出道路信息。     

基于大气温度和水汽含量改进HJ-1B地表温度反演

为了提高地面气象站稀少地区地表温度遥感反演的精度,本文基于多源遥感数据的优势,首先利用MODIS影像获取研究区像元尺度上平均大气水汽含量;然后利用同时相的HJ-1B影像估算区域地表比辐射率,再采用温度-植被指数法获取近地表大气温度;最后将以上3个参数输入单窗体算法,改进其地表温度反演的精度。研究结果表明,改进单窗体算法反演地表温度与地面实测温度的偏差小于1 K,为地面气象站点稀少的植被覆盖区域提供了一种可行的精确遥感反演地表温度方法。     

CBERS-02 IRMSS热红外数据地表温度反演及其在城市热岛效应定量化分析中的应用

针对CBERS-02IRMSS的热红外通道特性，对Jimenez-Munoz和Sobfino提出的普适性单通道地表温度反演算法进行改进，并利用该传感器热红外遥感数据反演北京地区和苏锡常地区的地表温度；利用2004年8月17日在青海湖的野外实测数据对该算法的地表温度反演结果进行的验证表明，改进的单通道反演算法应用于CBERS-02IRMSS传感器热红外数据的地表温度反演具有很高的反演精度。并在此基础上，运用城市热场变异指数对北京地区和苏锡常地区的城市热岛效应进行分析，运用中国研制的热红外卫星遥感数据给出了城市热岛效应的定量化描述。结果表明，CBERS-02IRMSS热红外遥感数据完全可以满足定量化应用的要求，具有很大的应用潜力。     

利用多源遥感数据反演城市地表温度

目前利用单通道热红外遥感数据反演地表温度的方法有大气校正法、单窗算法和普适性单通道算法,使用这3种算法反演地表温度时的一个关键问题就是需要获取大气参数。目前大气参数的获取主要根据近地表(地表2m左右的高度)的大气水分含量或湿度和平均气温的观测值来估计,这种方法只能获得个别点上的数据,而无法获取面上像元尺度的大气参数。本文利用多源遥感数据的优势,首先利用MODIS近红外数据,在像元尺度上获取温度反演中所需大气参数——大气水分含量,再利用同时相的Landsat ETM 影像,采用Jim啨nez-Mu oz和Sobrino的普适性单通道算法反演地表温度。研究结果表明,多源遥感数据的综合应用是城市地表温度反演的有效途径与方法,可获得较合理的地表温度反演结果。     

基于生成对抗网络的遥感样本生成方法

针对扩充建筑垃圾遥感图像样本集问题,本文基于Wasserstein对抗生成网络,在网络整体流程中加入结合自适应直方图均衡化与图像融合的对比度调整方法,并对网络内部模型生成器与判别器模型进行调整。经原始网络与改进网络生成图像试验后,使用CS-LBP算子与颜色直方图进行评估分析。试验证明,经过改进的WGAN网络生成图像有显著的纹理特征与颜色特征,均方根误差降低22.6%,更符合原始图像的特征分布,边界明显色块鲜明,符合现实世界遥感图像特点。可生成大量样本进行后续的基于大样本的建筑垃圾识别研究。     

近地表大气逆温条件下的地表温度遥感反演与验证

为了减少近地表大气逆温对地表温度遥感反演精度的影响,提出在晴空的地表温度"通用劈窗算法"模型中增加一个温度改正项来实现。在建立该误差改正项时,利用正常条件下的通用劈窗算法系数和具有不同逆温强度的逆温廓线,并结合大气辐射传输模型MODTRAN计算,得到近地表大气逆温条件下的地表温度反演误差,并在分析了该误差值与相应的逆温强度的关系后,发现该温度改正项可以表示为近地表大气逆温强度的二次项函数。为了进一步提高地表温度的反演精度,将地表温度和大气水汽含量进行分组,分别针对每个分组来确定温度改正项方程的系数。模拟结果表明,在逆温强度为1.7 K/100m时,该温度改正项可以使地表温度的反演精度提高0.44 K。利用内蒙古海拉尔试验站的实测数据对地表温度反演结果进行了验证,在近地表大气存在逆温的条件下,该方法能提高地表温度的遥感反演精度0.47K。但是,由于本文提出的方法需要已知大气温度廓线来计算大气逆温强度,因此在实际应用中该方法受到了一定的限制。     

结合颜色直方图和LBP纹理的遥感影像分割

提出了一种结合颜色直方图特征和LBP纹理特征的高分辨率遥感影像分割方法。首先对梯度图像进行双阈值联合的自适应标记,进而通过快速分水岭变换来获得初始分割结果,然后以一种结合颜色直方图特征和LBP纹理特征的区域相似性度为指标对初始分割区域进行合并获得最终的分割结果。通过在高分辨率遥感影像上的分割对比实验,证明了该方法能充分利用遥感影像的光谱和纹理信息,分割效果良好。     

统一样本云检测技术在GF-6 WFV上的改进与应用

目前基于深度学习的云检测方法,受训练样本限制,算法难以推广及应用。为了快速实现针对多种传感器的高精度的云检测,Sun等（2020）提出统一样本云检测方法。基于AVIRIS高光谱样本库模拟出待检测传感器的云和晴空地表像元,将模拟得到的多光谱样本数据输入到BP神经网络中进行逐像元分类,生成云检测模型,实现Landsat 8 OLI等宽光谱传感器较高精度的云检测。该方法基于统一样本模拟出不同传感器的样本像元库,适用于多种传感器的云检测。由于Landsat 8 OLI波段较多,波谱范围覆盖宽,容易实现云的高精度识别。为了进一步提高其在光谱范围较窄的GF-6 WFV数据上的云检测应用精度,在模拟出的样本库中加入GF-6 WFV数据典型高亮地表像元。通过目视解译对云检测结果进行精度验证,结果表明,该算法利用可见光和近红外通道的遥感数据可以高精度的识别出植被、水体、建筑、裸地等地表类型上空的厚云、碎云和薄云。改进后的云检测算法,云像元平均正确率达到88.40%,在高亮地表上空云像元正确率达到87.40%,在不同地表类型上空的云像元平均正确率为92.60%。结果表明,加入高反射率地物的算法可以利用有限波段实现云和地表的高精度分离。     

一种切空间协同表示的高光谱遥感影像分类方法

协同表示分类（collaborative representation classification,CRC）算法近年来成为高光谱遥感分类的研究热点。地物类别间区分性不高会严重影响现有CRC算法的性能。流形结构可有效地解决非线性问题,并解决高光谱遥感影像因数据冗余导致的类别间区分性低的问题。提出了一种基于切空间的高光谱遥感影像协同表示分类算法（tangent space collaborative representation classification,TCRC）和一种基于欧氏距离的自适应加权的切空间协同表示分类算法（weighted tangent space collaborative representation classification,WTCRC）。TCRC算法利用测试样本的切平面来估计区域流形,在测试样本的切空间中使用协同表示算法,寻找测试样本在各类训练样本中的最优线性表示估计,并用其最小误差来对测试样本进行分类。在此基础上,利用测试样本邻域像元、训练样本与测试样本的欧氏距离作为权矩阵来自适应调整各样本对测试样本的影响。实验采用ROSIS（reflective optics system image spectro-meter）和AVIRIS（airbone visible infrared imaging spectrometer）高光谱遥感影像对所提出算法的性能进行了评价,结果表明TCRC和WTCRC在分类效果上比CRC有明显的提升,WTCRC相较于TCRC具有更好的分类效果,具有更强鲁棒性。     

中国陆地区域陆表温度业务化遥感反演算法及产品运行系统

地表温度反演的裂窗算法已成功应用于NOAA系列卫星热红外遥感数据。目前，裂窗算法中应用较为广泛的一种是Becker等人于1990年提出的局地裂窗算法，主要是通过辐射传输模型模拟不同地表条件和大气状况下，地表温度和发射率对红外辐射亮温的影响，从而发展出一个利用AVHRR4，5通道亮温数据反演地表温度的线性模型。在晴空无云和地表比辐射率能精确估算的情况下，Becker算法反演地表温度的精度在1K以内。Becker算法用Lowtran程序模拟计算地表辐射量，且模型中参数主要针对NOAA-9传感器特性得到。本文在Becker算法的基础上，针对NOAA-16／17传感器热红外通道光谱响应函数特性，利用最新的、计算光谱分辨率更高的MODTRAN程序模拟不同大气状况下，不同地表温度和发射率对NOAAAVHRR4，5通道辐射亮温响应特性的影响，改进Becker算法中模型参数，使之能适用于NOAA-16／17热红外数据。同时，本文利用植被指数NDVI，在中国陆地区域lkm分辨率最新地表分类数据的基础上，得到模型中需要的地表比辐射率参数，将改进的模型应用于1km分辨率NOAA17数据，得到了旬合成中国陆地区域范围地表温度，通过地面气象台站实测数据对比验证．取得了较好的结果。     

深度学习的半监督遥感图像检索

遥感图像数据的海量性、多样性和复杂性等特点对遥感图像检索的速度和精度提出了更高的要求,其中特征提取是影响遥感图像检索效果的关键。本文方法首先对遥感图像进行预处理,然后基于稀疏自动编码的方法在大量未标注的遥感图像上进行特征学习得到特征字典,基于卷积神经网络的思想,使用训练出来的特征字典对遥感图像进行卷积和池化得到每幅图像的特征图;接下来使用特征图训练Softmax分类器;最后对待检索图像分类,在同一类别中计算特征间的距离,进而实现遥感图像的检索。实验结果表明,该方法能够有效提高遥感图像检索的速度和准确度。     

多视觉特征与K-centroid聚类的高分辨率遥感图像检索

目前基于单一内容的高分辨率遥感图像检索具有描述片面、信息不精确的问题。针对此问题,充分利用遥感图像的颜色、形状和纹理特征,将三者综合起来,形成多视觉特征的遥感图像检索,并通过一系列的迭代运算,得到这三种特征对待不同类遥感图像时各占的最佳比例系数,从而得到较好的检索结果。并针对分别计算遥感图像的颜色、形状和纹理特征,再将其融合导致在大图像库中进行检索时检索速度较慢这个问题,引入改进的K-centroid聚类算法,先对遥感图像库中的图像进行聚类,大大缩小了检索的范围,提高了检索速度。实验结果表明,该方法具有较好的检索结果。     

MRELBP特征、Franklin矩和SVM相结合的遥感图像建筑物识别方法

为了进一步提高遥感图像建筑物区域的识别精度,提出了一种基于中值稳健扩展局部二值模式(median robust extended local binary pattern,MRELBP)、Franklin矩和布谷鸟优化支持向量机(support vector machine,SVM)的分类方法。首先,通过MRELBP特征算子计算图像块的纹理特征向量,并根据Franklin矩得到形状特征向量,组合图像块的纹理特征向量和形状特征向量得到综合特征向量;然后,利用训练样本对SVM进行训练,同时由布谷鸟搜索算法对SVM的核函数参数和惩罚因子进行优化;最后,通过训练好的SVM得到建筑物区域识别结果。通过30组试验的结果表明,与基于三原色(red green blue,RGB)和SVM的分类方法、基于LBP和SVM的分类方法、基于Zernike矩和SVM的分类方法相比,本文提出的方法所识别的遥感图像建筑物区域准确度更高。     

结合nDSM的高分辨率遥感影像深度学习分类方法

针对高分辨率遥感影像因其地物类内差异大、光谱信息相对欠缺导致现有影像分类方法存在错分现象较多、地物边界残缺不完整等问题，本文提出了一种归一化数字表面模型（nDSM）约束的高分辨率遥感影像深度学习分类方法。首先，将nDSM数据作为附加波段叠加在遥感影像上并获取训练样本；然后，利用优化的U-Net网络进行模型训练得到最优模型；最后，利用最优模型对附加了nDSM波段的遥感影像进行地物分类。试验结果表明，本文方法引入nDSM数据用于U-Net模型训练和分类，可有效提高影像分类精度，得到更加真实可靠的分类结果。     

一种基于SVM多特征综合的图像分类方法

分别利用多通道Gabor滤波器和HSV颜色模型对图像进行特征提取,得到两种特征空间。用顺序向前浮点法搜索,以J-M距离(Jeffreys-Matusitas distance)为评价指标进行特征选择,最后利用综合后的特征数据在SVM基础上实现图像的监督分类。上述方法提高了彩色纹理图像和遥感图像的分类正确率。实验表明,多特征融合的分类效果比单一特征要好。     

像素级和对象级高分辨率遥感图像变化检测分析

高分辨率遥感图像具有丰富的纹理信息,而像素级变化检测方法主要分析图像的光谱信息,导致将像素级变化检测方法用于高分辨率遥感图像具有一定的局限性。因此,本文提出了一种像素级与对象级相结合的高分辨率遥感图像变化检测方法,解决了像素级与对象级变化检测方法中存在的椒盐现象、误检等问题。首先,结合高分辨率遥感图像的多维特征,构建遥感图像变化检测模型;其次,利用随机森林分类器对图像进行分类,得到像素级变化检测结果;最后,将像素级变化检测结果与图像对象分割结果进行融合,得到图像变化区域和不变区域。试验结果表明,该算法具有较高的准确率和检测精度。     

联合像元-深度-对象特征的遥感图像城市变化检测

特征空间的构建和优化对遥感图像识别能力的提高具有重要作用。针对面向对象方法对波段光谱信息利用不足,以及像元识别法无法充分利用图像空间几何等信息的问题,本文建立了新颖的联合像素级和对象级特征的航摄遥感图像城市变化检测方法。首先,充分利用像素级和对象级特征的优势,建立考虑光谱、指数、纹理、几何、表面高度及神经网络深度特征的特征空间;然后,引入LightGBM(light gradient boosting machine)算法对大量特征进行选择研究;最后,采用随机森林识别器对宜兴市2012年和2015年两期遥感图像进行识别,利用变化矩阵进行城市的变化检测。结果表明:联合像元、深度、对象特征和LightGBM特征选择算法的识别效果最好,平均的总体识别精度达到了88.50%,Kappa系数达到0.86,比基于像元、深度或对象特征的识别方法分别提高了10.50%、15.00%和4.00%;城市变化检测精度达到了87.50%。因此,本文方法是利用甚高分辨率航摄遥感图像进行城市变化的检测的有效方法。     

半监督离散势理论在遥感影像变化检测中的应用

随着遥感技术的发展，遥感影像变化检测作为一种有效的技术手段，在环境监测、灾害救援等领域发挥了重要作用。然而地物复杂、标记困难等问题导致有效的变化检测存在一定的困难。本文提出了一种基于半监督离散势理论的遥感影像变化检测方法。该方法首先采用一种新的标记样本点的方法得到训练集，然后利用KNN方法构造复杂网络，最后对复杂网络中经典Wu-Huberman算法进行改进并划分网络。所得到的两个社团结构恰好对应了变化部分和不变部分。试验结果表明，基于半监督离散势理论的变化检测方法具有良好的变化检测性能。     

遥感图像识别中粗糙集理论与神经网络的结合

由于传统神经网络与遥感图像信息量不相匹配 ,为此 ,提出将粗糙集理论集成至遥感图像神经网络识别中。首先分析了神经网络与粗糙集理论结合的可能性以及优势 ,在此基础上提出了基于粗糙集的遥感图像神经网络识别模型 ,并就其中的粗糙集方法处理样本特征集模块和遥感图像识别神经网络模块展开详细的分析。通过对比实验数据说明集成粗糙集理论的遥感图像神经网络识别能够有效提高遥感图像的识别效率 ,具有较强的现实意义     

HSV变换和多尺度分割相结合的高分辨率遥感影像阴影检测

针对阴影在高分辨率遥感影像的特性,提出了一种色彩空间变换和多尺度分割相结合的阴影检测方法。该方法首先对原始影像进行连续两次HSV变换,并分别提取前后两次变换的亮度分量和色度分量;然后引入面向对象思想,进行多个尺度的影像分割并依次实现每一尺度下的阴影检测;最后将多个尺度的检测结果进行决策级融合获取最终检测结果。利用高分二号和Google Earth影像分别进行实验,实验结果表明,该方法有效结合了粗细尺度优势,阴影检测误检率和漏检率较低,同时对较亮阴影和较暗地物均具备较好的识别效果。